8편의 한국어 분석 — 최신순으로 정렬했어요
좌표-범주 데이터(벡터와 범주 정보의 조합)로부터 물성을 예측하는 것은 재료 과학에서 형성 에너지나 탄성 계수를 예측하는 등 계산 과학의 근간을 이룹니다. 최근 거대 언어 모델(LLM)이 이러한 작업에 적용되고 있으나, 신뢰할 수 있는 예측을 위한 최적의 전략은 여전히 불분명합니다. 본 연구는 LLM이 좌표-범주 데이터의 좌표 정보를 학습하는 데 근본적인 한계가 있음을 밝힙니다. 좌표 및 범주 기여도를 조절할 수 있는 합성 데이터셋과 포괄적인 벤치마킹 프레임워크(MatText)를 활용한 체계적인 실험을 수행했습니다. 그 결과, …
신경세포의 형태는 정보 처리 방식에 결정적인 영향을 미치지만, 객관적이고 일관된 형태 분류는 여전히 난제로 남아있습니다. 기존 접근 방식은 전문가의 주관적 판단이나 사전 정의된 특징에 의존하여 재현성과 해석 가능성이 부족했습니다. 본 연구는 이러한 한계를 극복하고자 위상 데이터 분석, 그래프 신경망, 전통적 형태 측정법을 통합한 해석 가능한 딥러닝 프레임워크를 제안합니다. 제안된 프레임워크는 신경세포의 기하학적, 위상학적, 그래프 구조적 정보를 포착하기 위해 상호 보완적인 수학적 표현들을 비교합니다. 이를 통해 전문가가 라벨링한 …
범용 기계 학습 원자간 포텐셜(uMLIP)은 응축상 분자 동역학(MD) 시뮬레이션을 제일원리 수준의 정확도로 수행할 수 있게 하지만, 명시적인 분자 위상 정보의 부재로 인해 결합 기반 분석 및 고전적 힘장과의 연동에 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 CoTAR이라는 하이브리드 그래프 신경망(GNN)-은닉 마르코프 모델(HMM) 프레임워크를 제안합니다. CoTAR은 학습된 국소 환경, 화학적 제약 조건, 시간적 평활화를 결합하여 원자 종류와 좌표로부터 결합 연결성 및 차수, 형식 전하, 비공유 전자를 재구성합…
최근 그래프 신경망(GNN)은 다양한 그래프 분석 태스크와 애플리케이션에서 빠르게 발전해왔습니다. 대부분의 GNN은 동일한 클래스에 속하는 노드들이 연결될 가능성이 높다는 동질성(homophily) 가정을 기반으로 합니다. 그러나 실제 시나리오에서 흔히 나타나는 이질성(heterophily), 즉 다른 레이블을 가진 노드들이 연결되는 경향은 기존 GNN의 성능을 크게 제한합니다. 이러한 문제에 대응하기 위해, 이 연구는 이질성 그래프를 위한 GNN에 대한 포괄적인 조사를 제공합니다. 기존 이질성 GNN 모델들을 체계적으로 분류하고…
그래프 신경망(GNN)은 생물학적 시스템 모델링에 필수적인 방법론으로 부상했습니다. 단백질 상호작용 네트워크, 유전자 조절 회로, 분자 그래프 등 생물학 데이터의 관계적 특성은 기존 딥러닝 방식으로는 포착하기 어려운 복잡한 의존성을 GNN이 효과적으로 파악하게 합니다. 그러나 생물정보학에서 GNN의 효율성은 모델 설계뿐만 아니라 생물학적 그래프의 구축, 매개변수화 및 훈련 방식에도 크게 좌우됩니다. 본 연구는 생물정보학 분야에서 GNN을 이해하고 적용하기 위한 체계적인 프레임워크를 제공합니다. 이는 크게 세 가지 핵심 차원으로 구…
대규모 언어 모델(LLM)은 불충분한 학습 데이터와 최신 지식 부족으로 인해 추론 과정에서 사실 오류와 환각 문제를 겪습니다. 검색 증강 생성(RAG)은 외부 소스에서 관련 정보를 검색하여 더 정확한 답변을 생성함으로써 이러한 LLM의 한계를 해결할 유망한 대안으로 부상했습니다. 특히 외부 소스에 구조화된 지식이 널리 존재함에 따라, 그래프 관련 기술을 활용하여 지식 개체 간의 위상 정보를 기반으로 복잡한 추론을 달성하려는 RAG 연구가 활발히 진행되고 있습니다. 기존 연구들이 RAG 파이프라인을 요약했지만, 그래프의 역할을 주로…
그래프 신경망(GNN)은 3D 컴퓨터 비전 분야에서 널리 활용되지만, 대규모 테스트 데이터 레이블링 비용으로 인해 신뢰성 검증에 어려움이 있습니다. 기존 딥러닝 테스트 케이스 우선순위 기법들은 단일 차원 휴리스틱이나 뮤테이션 기반 분석에 의존하여 결함 다양성이 제한되거나 막대한 계산 오버헤드를 초래하는 문제가 있었습니다. 본 논문은 이러한 한계를 극복하기 위해 다차원 테스트 우선순위 프레임워크인 LeF-MTP를 제안합니다. LeF-MTP는 계산 집약적인 외부 뮤테이션 대신 모델의 내부 인지 상태를 직접 활용합니다. 예측 불확실성과…
그래프 신경망(GNN)은 비유클리드 도메인으로 딥러닝을 확장하여 의료 영상 내 공간적, 구조적, 기능적 관계 모델링에 강력한 프레임워크를 제공합니다. 본 논문은 순환, 합성곱, 어텐션 기반, 오토인코딩, 시공간 설계 등 GNN 아키텍처의 최신 발전을 검토합니다. 이러한 GNN 모델들이 분할, 분류, 정합, 재구성, 다중 모드 융합과 같은 핵심 의료 영상 작업에 어떻게 적용되었는지 분석합니다. 또한, 의료 영상에 GNN을 적용할 때의 현재 도전 과제와 한계를 식별합니다. 그래프-트랜스포머 통합, 자기 지도 그래프 학습, 연합 GN…
